进入二十一世纪以来,智能化和信息化已经成为经济社会发展的主题之一,机器学习和深度学习成为促进人工智能领域不断发展的重要方法。机器学习能够从复杂的历史数据中找寻内在规律,从而解决一系列数据分析问题,使用基于机器学习的预测方法能够有效地提高风速预测的准确度和精度,为提高风能利用率奠定重要基础。风能作为清洁能源和新能源的代表,发展风能对解决我国东部能源消费区的能源需求问题有重要意义。本文的研究内容是我国冬季风区的风速预测问题。针对我国的冬季风特性,使用了一种基于空间相关性的风速预测策略,不同于纯粹的数值分析预测,本文使用“机理+辨识”的预测策略,从风速本身的形成特性出发,发现根据空间位置中上游和下游的气压差序列与下游风速时间序列之间存在延迟相关性,首先从不同的相关性指标的角度分析计算上下游风速相关时间序列之间存在的稳定的最优延迟时间段;针对下游风速的预测问题,本文提出一种基于上下游气压差序列的目标地风速预测策略,首先使用之前所得的最优延迟时间,构造出带有延迟时间的上游和下游气压差、下游风速组成的搜索矢量,接着在历史样本空间中使用k NN搜索出邻近矢量样本作为预测模型的训练样本空间,最后训练和优化最小二乘支持向量回归、长短期记忆网络、深度回声状态网络来与仅靠本地风速序列以及其它组合的序列（气温、风速等）训练模型相比较,对下游地未来24小时的风速值进行预测,本文的方法在预测误差方面的性能要更加优良。本文得出风速时间序列之间存在稳定最优延迟时间;使用本文的风速预测方法得到的预测平均误差可以达到0.9m/s,特别地,在使用本文方法进行预测下游地风速时,各个预测模型在预测未来在延迟时间段处的风速的预测误差要小于其他时间段,这也说明本文的基于气压差的空间相关性预测策略的有效性和在季风路径上下游之间建立测风塔的可行性。